一种排水管道快速检测装置

1.本实用新型涉及排水管网管理维护领域，尤其涉及一种排水管道快速检测装置。


背景技术：

2.排水管网作为城市的重要基础设施，其管理维护的质量对城市的发展有着极其重要的影响。管道检测包含管道自身缺陷检测以及管道异常水质检测两部分，当今排水管道缺陷的检测主要采用cctv、qv等方式，而管道异常水质检测主要在管道内安装在线水质监测仪表实现，在检测管道缺陷时需要封堵上下游管段，割裂了管道缺陷检测与管道异常水质检测两者的联系，削弱了管道检测结果的可解释性。并且传统的管道缺陷检测，不能进行连续实时检测，依靠人工观看图像进行分析，检测效率低下，而布置在线水质监测仪表只能实现对固定节点水管道水质进行监测，要对整个管网进行水质监测就必须安装大量的仪表，因此综合而言，管道的检测成本十分高。开发一种效率高的、低成本的管道快速检测装置，填补现阶段管道快速检测领域的空白，用于管道检测的前期普查阶段，大幅度提升管道检测与修复工作的针对性，十分具有必要性。
3.随着计算机技术的飞速发展，图像识别技术的应用越来越广泛，当今图像识别技术已经广泛应用于公共交通、医学、智能手机、植物识别等领域或产品，图像识别的分辨率、速度、准确率等指标已达到了管道缺陷识别的应用要求。
4.随着水质在线仪表的生产技术的发展，当今众多的在线水质监测仪表能够实现小型化生产，能够安装在小型无人操控平台上进行水质监测。以电导率为代表的水质指标具有灵敏、检测范围广等特点，能够作为水质异常的代表性指标。
5.综合而言，将图像识别技术以及电导率为代表的水质检测技术应用于管道快速检测领域具有较强的可行性。


技术实现要素：

6.为了解决上述技术问题，本实用新型的目的是提供一种排水管道快速检测装置，能够实现对管道异常的快速检测。
7.本实用新型所采用的技术方案是：一种排水管道快速检测装置，包括水下无人车、控制系统、图像采集装置和水质检测装置，所述水下无人车上设有控制系统、图像采集装置和水质检测装置，所述图像采集装置和水质检测装置分别与控制系统连接，所述控制系统包括中控子系统和运动子系统，所述运动子系统与中控子系统连接，所述图像采集装置包括稳定云台、灯光模块和摄像头，所述稳定云台、灯光模块和摄像头分别与中控子系统连接，所述水质检测装置包括探头和驱动器，所述探头与驱动器连接，所述驱动器与中控子系统连接。
8.进一步，所述稳定云台安装在水下无人车顶部，所述摄像头安装在稳定云台上，所述灯光模块安装在摄像头前方。
9.进一步，所述驱动器安装在水下无人车内，所述探头安装在水下无人车底部。
10.进一步，所述中控子系统包括数据传输模块、导航模块、图像识别模块和水质分析模块，所述导航模块、图像识别模块和水质分析模块分别与数据传输模块连接，所述灯光模块、稳定云台和运动子系统分别与导航模块连接，所述摄像头与图像识别模块连接，所述水质分析模块与驱动器连接。
11.进一步，所述运动子系统包括驱动电机和车轮，所述驱动电机与车轮连接，所述驱动电机与导航模块连接。
12.进一步，所述车轮安装在水下无人车底部的两侧，所述车轮的数量不少于4个。
13.本实用新型的有益效果是：通过该检测装置，实现了对排水管道异常的快速检测，从而减少城市管网在日常检测中投入的成本，管网维护人员能根据识别结果进行有针对性的人工复核与管道修复，大大提高了管网的运行与维护质量。
附图说明
14.图1是本实用新型一种排水管道快速检测装置的装置图；
15.图2是本实用新型一种排水管道快速检测装置的结构框图；
16.图3是应用本实用新型排水管道快速检测装置的检测方法的步骤流程图；
17.图4是本实用新型一种排水管道快速检测装置图像识别模块所采用的图像快速分类器构建方法的步骤流程图；
18.图5是本实用新型一种排水管道快速检测装置水质分析模块所采用的水质异常识别模型构建方法的步骤流程图。
19.附图标记：1、水下无人车；2、中控子系统；3、数据传输模块；4、导航模块；5、图像识别模块；6、水质分析模块；7、运动子系统；8、车轮；9、图像采集装置；10、摄像头； 11、稳定云台；12、灯光模块；13、水质检测装置；14、驱动器；15、探头；16、驱动电机。
具体实施方式
20.本实用新型提供了一种排水管道快速检测装置，包括水下无人车1、控制系统、图像采集装置和水质检测装置，所述水下无人车1上设有控制系统、图像采集装置9和水质检测装置13，所述图像采集装置9和水质检测装置13分别与控制系统连接，所述控制系统包括中控子系统2和运动子系统7，所述运动子系统7与中控子系统2连接，所述图像采集装置9 包括稳定云台11、灯光模块12和摄像头10，所述稳定云台11、灯光模块12和摄像头10分别与中控子系统连接2，所述水质检测装置13包括探头15和驱动器14，所述探头15与驱动器14连接，所述驱动器14与中控子系统2连接。
21.具体地，所述图像采集装置9采用不低于800w像素的摄像头，其拍摄的视频质量不低于 1080p30fps，且具有红外夜视拍摄功能。所述稳定云台11采用三轴防抖云台，该云台水平调节方向为0
‑
360
°
，仰角调节方向至少包含[
‑
45
°
,90
°
]，主要实现摄像头拍摄方向的控制以及防抖功能；所述图像采集装置9配有镜头保护装置，该装置采用高强度的透明镜头保护罩和自动清刷工具，自动清刷工具采用雨刷式清刷工具，当镜头保护罩受到污染时，设备自动打开清刷工具进行清洁；所述驱动器14集成在水下机器人1的内部电路板上；所述探头 15采用圆柱形探头。
[0022]
进一步作为优选实施例，所述稳定云台11安装在水下无人车1顶部，所述摄像头10
安装在稳定云台11上，所述灯光模块12安装在摄像头10前方。
[0023]
进一步作为优选实施例，所述驱动器14安装在水下无人车1内，所述探头15安装在水下无人车1底部。
[0024]
进一步作为优选实施例，所述中控子2系统包括数据传输模块3、导航模块4、图像识别模块5和水质分析模块6，所述导航模块4、图像识别模块5和水质分析模块6分别与数据传输模块3连接，所述灯光模块12、稳定云台11和运动子系统7分别与导航模块4连接，所述摄像头10与图像识别模块5连接，所述水质分析模块6与驱动器14连接。
[0025]
具体地，所述导航模块4采用gps信号进行定位，以及配有不少于4个距离传感器实现壁障功能，距离传感器的识别范围为0.1
‑
1.0m，识别精度为0.01m；所述数据传输模块3采用4g移动网络或者局域无线网进行传输，主要负责控制信息、分析数据、图像信息的传输，优选的，信号强度理想的情况下，优先采用局域无线网进行通信；所述灯光模块12采用功率不低于10w的led灯，照明方向与摄像头拍摄方向保持一致，照明距离不低于5m，有效照明亮度不低于200nit；所述图像识别模块5和水质分析模块6选用arm芯片；
[0026]
进一步作为优选实施例，所述运动子系统7包括驱动电机和车轮8，所述驱动电机16与车轮8连接，所述驱动电机16与导航模块4连接。
[0027]
进一步作为优选实施例，所述车轮8安装在水下无人车1底部的两侧，所述车轮8的数量不少于4个。
[0028]
参照图3，应用于上述排水管道快速检测装置的一种检测方法，包括以下步骤：
[0029]
s1、检测前的准备，确定检测范围和投放地点；
[0030]
具体地，单次检测范围不超过2km管长，投放地点设在管网的上游检查井。
[0031]
s2、数据采集，基于图像采集装置9获取当前图像，跟据当前图像识别检测管内液位，并根据当前液位高低选取检测模式，当管内液位不高于水质检测装置的最小检测液位时，装置切换至地面检测模式；当管内液位高于摄像头10所处的位置时，装置切换至水下检测模式；当管内液位处于上述两种情况之间时，装置切换至水上检测模式，根据检测模式的要求，基于图像采集装置9和水质检测装置13进行图像采集与水质指标测定；
[0032]
具体地，排水管道快速检测装置的综合密度至少为水的密度的2倍，当管内液体为满管且流速为1m/s时，能依靠自身重力停留管道内；排水管道快速检测装置处于地面检测模式时，该装置在管内的行进速度为0.05
‑
0.25m/s；排水管道快速检测装置处于水上检测模式和水下检测模式时，该装置在管内的行进速度为0.25
‑
0.50m/s；另外，图像采集的图像提取间隔不超过1s，水质指标测定的采集间隔不超过0.5s。
[0033]
s3、数据分析和结果输出阶段，基于图像识别模块5对图像采集所得的数据进行图像快速识别，得出管道缺陷快速识别结果，基于水质分析模块6对水质指标测定所得的数据进行水质异常识别，得出水质异常识别结果，最后，输出管道快速检测结果；
[0034]
s4、人工复核，输出管道快速检测结果并进行部分缺陷管道人工复核与水质异常人工溯源，利用复核结果调整图像快速分类器参数、调整水质异常识别模型参数。
[0035]
进一步作为优选实施例，参照图4，所述图像识别模块5所采用的图像快速分类器的构建方法包括以下步骤：
[0036]
第一步，选取管道样品图像，收集不少于500张道样品图像，该图像包括结构性缺陷以及功能性缺陷的各种管道缺陷类别，图像像素不低于500w，每一类缺陷的图像数量不
低于100 张；
[0037]
第二步，对管道样品图像的缺陷的种类与等级进行不变矩特征提取，不变矩的特征取较高数值；
[0038]
第三步，进行不变矩矢量标准化，将不变矩输入矢量中的特征转换为[0,1]之间；
[0039]
第四步，对不变矩特征进行模糊化处理并基于神经网络对模糊化处理后的不变矩特征进行分类，得到预测分类结果；
[0040]
第五步，根据预测分类结果和该不变矩特征对应的期望目标输出，得到训练误差；
[0041]
具体地，以该不变矩特征对应的图像实际的缺陷种类与等级为期望目标输出，结合预测分类结果得到训练误差。
[0042]
第六步，在训练前进行初次参数设定，若管道样品图像的各类缺陷的识别准确率不低于 95％，此时达到设计要求，进行图像快速分类器输出，并将该分类器写入图像识别模块；若管道样品图像的各类缺陷的识别准确率低于95％，则利用训练误差调整网络参数，直至达到设计要求。
[0043]
进一步作为优选实施例，参照图5，所述水质分析模块6所采用的水质异常识别模型的构建方法包括以下步骤：
[0044]
具体地，基于管道实验平台构建该模型，所述管道实验平台基于管网缺陷模拟排水管道。
[0045]
第一步，设置不同浓度下的实验条件，包含管道流态、管道水质、异常流量、异常流量水质；
[0046]
具体地，所述管道流态至少包含管径、流量、流速、坡度；实验管径包含300mm
‑
600mm，实验流量包含30m3/h
‑
3000m3/h，实验流速包含0.1m/s
‑
2.0m/s，实验坡度范围为 [
‑
0.002,+0.002]；所述管道水质指标至少包含cod、bod、氨氮、总氮、总磷、悬浮物、ph，主要模拟城市生活污水与地表
ⅴ
类水；对于城市生活污水，各指标的实验值为：cod取200
‑
300mg/l，bod取100
‑
200mg/l，氨氮取8
‑
15mg/l，总氮取20
‑
40mg/l，总磷取4
‑
8mg/l，悬浮物取100
‑
250mg/l，ph取6
‑
9；对于地表
ⅴ
类水，各指标的实验值为：cod取20
‑
50mg/l， bod取5
‑
20mg/l，氨氮取1
‑
5mg/l，总氮取2
‑
10mg/l，总磷取0.1
‑
0.5mg/l，悬浮物取10
‑
30 mg/l，ph取6
‑
9；所述异常流量水质为清水与工业废水的水质，清水水质为地表
ⅴ
类水水质；工业废水类别至少包含印染废水、电镀废水、造纸废水、养殖废水，其水质电导率范围包含 0
‑
20ms/cm。
[0047]
第二步，进行电导率的分布测定，测定在接入异常流量的情况下，管内不同位置的电导率。
[0048]
具体地，测定在接入异常流量的情况下，管内不同位置的电导率，测定点之间距离不大于3cm，每个测定点测定时长不少于10s。
[0049]
第三步，构建电导率分布规律，得出不同异常水质情况下的电导率波动范围，选取合适的上下限波动值作为水质分析模型判断是否存在异常水质接入的标准。
[0050]
第四步，利用上述模型识别实际异常管道水质，并对识别结果进行误差分析，若误差超过20％，则利用训练误差调整模型参数；若误差不超过20％，则进行水质异常识别模型输出，并将该模型写入水质分析模块。
[0051]
进一步作为优选实施例，所述管道快速检测结果的包括以下内容：
[0052]
含管道缺陷快速识别结果，管道缺陷快速识别结果包含类别、等级、位置，所述类
别包含结构性缺陷、功能性缺陷；
[0053]
具体地，所述等级包含一级、二级、三级、四级；所述位置包含管段位置、环向位置；所述结构性缺陷包含破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏；所述功能性缺陷包含沉积、结垢、障碍物、残墙/坝根、树根、浮渣；所述等级根据管道缺陷严重程度进行区分，一级表示轻微缺陷、二级表示中等缺陷、三级表示严重缺陷、四级表示重大缺陷，缺陷的严重程度随着等级的增加不断加剧；所述管道缺陷所在环向位置用时钟表示的方法。前两位数字表示从几点位置开始，后两位表示到几点(正点小时) 位置结束。如果缺陷处在某一点上就用00代替前两位，后两位数字表示缺陷点位。例如管道缺陷的环向位置恰好为管道的上半部分，则对应的环向位置代码为0903,；管道缺陷的环向位置恰好为管道顶部一点，则对应的环向位置代码为0012。
[0054]
水质异常识别结果为接入位置。
[0055]
以上是对本实用新型的较佳实施例进行了具体说明，但本实用新型创造并不限于所述实施例，熟悉本领域的技术人员在不违背本实用新型精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。